前言
上次我们发了一篇文章，很好的解决了 Prompt 的使用问题：
最好的Prompt管理和使用依然是 Class 和 Function - 继续让LLM和编程语言融合
相比其他方案，具有非常大的优势，完全融入到了现有的编程语言里，而不是大段的文本变量或者文件来做管理。
阅读本文前，建议大家先阅读上面的文章获得一个基础认知，再来看看我们如何进一步简化其使用。
问题
我们来看下面一段代码：
import ray
import functools
import inspect
import byzerllm
import pydantic
from byzerllm.utils.client import ByzerLLMray.init(address="auto",namespace="default",ignore_reinit_error=True) data = {'name': 'Jane Doe','task_count': 3,'tasks': [{'name': 'Submit report', 'due_date': '2024-03-10'},{'name': 'Finish project', 'due_date': '2024-03-15'},{'name': 'Reply to emails', 'due_date': '2024-03-08'}]
}class RAG():def __init__(self): self.llm = ByzerLLM()self.llm.setup_template(model="sparkdesk_chat",template="auto")self.llm.setup_default_model_name("sparkdesk_chat") @byzerllm.prompt(lambda self:self.llm,render="jinja2")def generate_answer(self,name,task_count,tasks)->str:'''Hello {{ name }},This is a reminder that you have {{ task_count }} pending tasks:{% for task in tasks %}- Task: {{ task.name }} | Due: {{ task.due_date }}{% endfor %}Best regards,Your Reminder System'''t = RAG()response = t.generate_answer(**data)
print(response)## output:Hello! Is there anything else I can assist you with?RAG 是一个 prompt class, 里面有个 prompt function generate_answer,
可以看到这个方法是一个传统意义上的空方法，但是里面的 doc 则是一段jinja 模板代码。prompt function 的执行器实际上是大模型，所以这段doc 会作为代码给到大模型，然后返回一个结果。
但是这个prompt 函数有两个地方比较复杂：
prompt 注解需要传一个 lambada 表达式，这个是为了获得 llm 实例。
我们用到了jinja2 的for循环等
实际用起来，我们往往还是希望能够对会绑定到 doc 里的参数做一些处理的，这样可以使得模板更简单一些。
解决方案
现在你可以这么做：
@byzerllm.prompt(lambda self:self.llm,render="jinja2")def generate_answer(self,name,task_count,tasks)->str:'''Hello {{ name }},This is a reminder that you have {{ task_count }} pending tasks:{{ tasks }}Best regards,Your Reminder System'''tasks_str = "\n".join([f"- Task: {task['name']} | Due: { task['due_date'] }" for task in tasks])return {"tasks": tasks_str}这次，我们提供了方法体，这个方法体实际上是对参数做一次预处理，然后再返回一个字典，这个新的字典会覆盖方法的参数的值，比如此时 tasks 值从原来的一个对象变成了一个字符串，可以直接放到 jinja2 doc 里渲染了。
此外，这也意味着你可以可能还可以做一些逻辑判断，来决定实际渲染到doc里的值是什么样子的，而不是在代码里做模板拼接。
这是第一个变化，prompt function 也允许有方法体，可以对入参做一些二次处理。只是你的方法体返回的值必须是一个字典。
其次，
@byzerllm.prompt(llm=lambda self:self.llm,render="jinja2")
中的 llm 目前可以接受三种值了：
lambda 表达式，获取当前对象的llm 实例。
字符串，也就是模型的名字，系统会自动构建一个llm实例用于某次调用。
llm 实例， 你可以直接传递一个llm实例。
比如：
@byzerllm.prompt(llm="kimi_chat")
系统会自动寻找名字为 kimi_chat的模型。
此外，在这次新版本（0.1.58）我们将 render 默认值改成 jinja2 而非simple。
总结
Byzer-LLM 是一个比较特殊的存在，它的终极愿景是让大家更好的使用大模型，而实现这一愿景主要是通过让变成语言和大模型更好的做融合，为此我们提供了非常多的能力，包括大模型无关的function calling, response class 和 function impl 等功能，也包括 prompt function 和prompt class。
为了能够让这些能力变得好用，Byzer-LLM 还支持主流的开源模型和SaaS模型的对接，并且能够很好的适应生产环境，可以让大家只引入一个库就解决主要问题。
